腦-機(jī)接口（Brain Computer Interface/Brain Machine Interface,BCI/BMI）技術(shù)通過(guò)腦神經(jīng)信息的解碼與輸出,在大腦與外部設(shè)備之間建立起直接的信息交流與控制通道。其中運(yùn)動(dòng)相關(guān)腦神經(jīng)信號(hào)是大腦進(jìn)行運(yùn)動(dòng)行為支配過(guò)程中產(chǎn)生的自發(fā)性神經(jīng)信息,可用于解碼大腦進(jìn)行肢體運(yùn)動(dòng)控制過(guò)程的特征性神經(jīng)活動(dòng),并繞開(kāi)脊髓和外周神經(jīng)通路直接實(shí)現(xiàn)對(duì)外部設(shè)備的運(yùn)動(dòng)控制,對(duì)于運(yùn)動(dòng)輔助和神經(jīng)康復(fù)研究具有重要意義。按照信息獲取的方式不同,運(yùn)動(dòng)相關(guān)腦神經(jīng)信號(hào)可分為頭皮表面采集的腦電信號(hào)（electroencephalogram,EEG）,以及腦內(nèi)微電極采集的運(yùn)動(dòng)區(qū)皮層腦電（electrocorticogram,ECoG）、局部場(chǎng)電位（local field potentials,LFP）和單神經(jīng)元鋒電位（Spike）。其中,EEG信號(hào)具有時(shí)域分辨率高、采集方式簡(jiǎn)便、無(wú)創(chuàng)等優(yōu)點(diǎn),已成功應(yīng)用于殘疾人運(yùn)動(dòng)功能康復(fù)、機(jī)器人/無(wú)人機(jī)控制等多個(gè)領(lǐng)域,但也存在信噪比低、精確解碼困難等問(wèn)題;腦內(nèi)微電極采集的運(yùn)動(dòng)皮層Spike、LFP及ECoG信號(hào)直接反映了大腦運(yùn)動(dòng)支配過(guò)程的起源,可實(shí)現(xiàn)大腦運(yùn)動(dòng)... 

【文章來(lái)源】：軍事科學(xué)院北京市

【文章頁(yè)數(shù)】：125 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

幾種通過(guò)非侵入式和侵入式腦-機(jī)接口進(jìn)行大腦信號(hào)采集的方法

軍事科學(xué)院博士學(xué)位論文猴意圖中的上肢運(yùn)動(dòng)，將“阿凡達(dá)”科幻變成了現(xiàn)實(shí)[36]。同年，匹nifer 等人開(kāi)發(fā)新的集群向量解碼方法以及共享控制架，使四肢癱瘓制高達(dá) 10 自由度的假肢系統(tǒng)[37]。 2015 年，美國(guó)杜克大學(xué)研究人員腦組網(wǎng)的虛擬手臂控制研究，通過(guò)建立協(xié)同信息采集與解碼體系，猴協(xié)同操作下虛擬手臂三維運(yùn)動(dòng)控制[38]。同年，加州理工學(xué)院利用集群 Spike 信號(hào)同樣實(shí)現(xiàn)了對(duì)多自由度智能假肢的控制，使得腦-機(jī)控制的臨床研究又邁進(jìn)了一大步[39]。2016 年，斯坦福大學(xué)神經(jīng)修復(fù)的研究者們?cè)趦芍猾J猴大腦植入了腦-機(jī)接口，通過(guò)訓(xùn)練，其中一只的大腦控制打字記錄—1 分鐘打出了 10 個(gè)單詞，即莎士比亞的經(jīng)典 not to be. That is the question”[40]。

圖 3 運(yùn)動(dòng)皮層 Spike 與低頻 LFP 信號(hào)聯(lián)合解碼搭建的混合 BMI 系統(tǒng)[43]皮層的多層次神經(jīng)信號(hào)間的關(guān)聯(lián)性分析有助于我們更好的認(rèn)的內(nèi)在起源，從而在進(jìn)行運(yùn)動(dòng)相關(guān)大腦活動(dòng)解碼時(shí)，更多的關(guān)號(hào)上都發(fā)揮重要功能的信號(hào)成分，為開(kāi)發(fā)特征優(yōu)化能力更好的依據(jù)。依據(jù)上研究進(jìn)展情況分析，大腦運(yùn)動(dòng)相關(guān)神經(jīng)信號(hào)的解碼及應(yīng)用方質(zhì)性進(jìn)展，實(shí)現(xiàn)了基于不同層次神經(jīng)信號(hào)的運(yùn)動(dòng)狀態(tài)解碼，并康復(fù)、外部設(shè)備控制等方面顯現(xiàn)了很好的應(yīng)用價(jià)值。但目前大號(hào)的解析及應(yīng)用研究仍面臨一些問(wèn)題和可能的提升空間。首先信號(hào)的解碼算法在模型復(fù)雜度、泛化性方面存在局限，難以適應(yīng)其次，現(xiàn)有對(duì)于運(yùn)動(dòng)想象腦電信號(hào)的解碼往往忽略了大腦作為息處理模式，從網(wǎng)絡(luò)分析的角度進(jìn)行 EEG 信號(hào)內(nèi)在的功能連接


本文編號(hào)：2918797